Ricercatori dell'Università del Lussemburgo, Technische Universität di Berlino, e il Fritz Haber Institute della Max Planck Society hanno combinato l'apprendimento automatico e la meccanica quantistica per prevedere le dinamiche e le interazioni atomiche nelle molecole. Il nuovo approccio consente un grado di precisione ed efficienza mai raggiunto prima.

Le simulazioni di dinamica molecolare sono utilizzate nella scienza naturale e dei materiali per prevedere le proprietà e il comportamento di materiali diversi. Nel passato, queste simulazioni erano solitamente basate su modelli meccanicistici che non sono in grado di integrare importanti intuizioni della meccanica quantistica. Questo lavoro ora pubblicato in Comunicazioni sulla natura migliora sostanzialmente le capacità di previsione della moderna modellistica atomistica in chimica, biologia, e le scienze dei materiali.

Conoscenza esatta della dinamica molecolare di una sostanza, in altre parole conoscenza precisa dei possibili stati e interazioni dei singoli atomi in una molecola, ci consente non solo di comprendere molte reazioni chimiche e fisiche, ma anche di utilizzarle. "Le tecniche di apprendimento automatico hanno drasticamente modificato il lavoro in molte discipline, ma fino ad ora, ne è stato fatto poco uso nelle simulazioni di dinamica molecolare, " dice Klaus-Robert Müller, Professore di machine learning alla TU Berlin. Il problema:la maggior parte degli algoritmi standard sono stati sviluppati con la consapevolezza che la quantità di dati da elaborare non è rilevante. "Questo non si applica, però, per accurati calcoli quantomeccanici di una molecola, dove ogni singolo punto dati è cruciale e il calcolo individuale per molecole più grandi può richiedere diverse settimane o addirittura mesi. Le enormi risorse computazionali necessarie per fare ciò hanno fatto sì che fino ad oggi non fossero possibili simulazioni precise di dinamica molecolare, " spiega Alexandre Tkatchenko, professore di fisica chimica teorica presso l'Università del Lussemburgo.

È proprio questo problema che i ricercatori hanno ora risolto integrando le leggi fisiche nelle tecniche di apprendimento automatico. "Il trucco consiste nel non calcolare tutti i possibili stati possibili della dinamica molecolare con tecniche di machine learning, ma piuttosto solo quelli che non risultano da leggi fisiche note o dall'applicazione di operazioni di simmetria", spiega il professor Alexandre Tkatchenko.

Da una parte, gli algoritmi di nuova concezione utilizzano simmetrie matematiche naturali all'interno delle molecole. Tra le cose che riconoscono ci sono assi di simmetria che non alterano le caratteristiche fisiche della molecola. Di conseguenza, questi punti dati devono essere calcolati solo una volta, piuttosto che più volte, che riduce notevolmente la complessità del calcolo. Inoltre, le tecniche di apprendimento utilizzano la legge fisica della conservazione dell'energia.

Attraverso questo approccio innovativo che consente alle tecniche di apprendimento automatico utilizzate di "incorporare" leggi fisiche prima di imparare a calcolare la dinamica molecolare, il team di ricerca è riuscito a riconciliare i due aspetti contraddittori dell'alta precisione e dell'efficienza dei dati. "Questi algoritmi speciali consentono al processo di concentrarsi sui complessi problemi della simulazione, piuttosto che utilizzare le prestazioni del computer per la ricostruzione di relazioni banali tra punti dati. Come tale, questa ricerca dimostra il grande potenziale della combinazione di IA e chimica o altre scienze naturali", Klaus-Robert Müller dice, spiegando il significato del progetto.